OpenAI 入局数据智能体：决胜点在语义层，不在模型
OpenAI 在 ChatGPT Work 推出 Data agent，直连企业数仓。但基准数据显示，企业级问数的瓶颈从来不是模型：企业 schema 上准确率仅约 21%，信心远超管控。语义层与数据治理，才是 AI 问数落地的分水岭。
先说结论：9 月 10 日 OpenAI 在 ChatGPT Work 里推出的 Data agent，真正值得企业注意的不是「又一个更聪明的模型」，而是这家最强的模型公司在官方产品说明里承认了一件事——AI 要读懂企业数据，前提是先接上语义层和数据治理。模型能力已经过剩，企业自己的业务语境才是稀缺资源。
OpenAI 的这步棋：数据智能体进每个员工的工作台
按 OpenAI 官方公告（转引自 Unite.AI 的报道），这款 Data agent 以 @Data 的方式在 ChatGPT Work 中调用，可以直连企业已批准的数据源：Amazon Redshift、Google BigQuery、Snowflake、Databricks、MongoDB、ClickHouse、Datadog，还能把 Google Drive 和 SharePoint 里的文档拉进分析。业务人员用一句话追问「上周销售为什么放缓」「哪项开支在涨」，Agent 自己查表、写查询、找关联，最后产出一个可以编辑、分享、定时刷新的交互式仪表盘。
内部采用数据很能说明问题：OpenAI 称自己几乎整个产品团队和超过三分之二的 GTM 团队都在用；Alpha 客户里有 NTT Data、Thermo Fisher、ServiceTitan 等，NTT Data 的评价是「许多非工程师，尤其是销售和职能部门，已经能用大白话搭建和更新自己的仪表盘」。
巨头替我们验证了：语义层是前置条件，不是可选项
这则新闻里最容易被略过的一句话是：要让 Data agent 理解企业数据，OpenAI 要求接入「组织自己的业务术语、指标定义、自定义计算和数据关系」，而这些语境的来源是 Databricks Genie Ontology、dbt、Snowflake Horizon 这类语义层资产。也就是说，连最会做模型的公司也承认：裸表加大会模型，不够。
行业证据链也早就指向同一处。综合 Alex Merced 对上下文工程的综述：
| 基准 / 场景 | 数据形态 | 领先成绩 |
|---|---|---|
| Spider（学术基准） | 干净小库、问题直白 | 约 91% |
| BIRD | 真实库 + 脏值 | 约 73% |
| Spider 2.0（企业级） | 千列宽表、多方言、多步交互 | 约 21% |
| EntSQL | 需要内部口径与业务知识 | 15.9%–21.4% |
同一个模型，换个数据形态，成绩从 91% 跌到 21%。对生产环境 Text-to-SQL 失败案例的分析显示，约 81% 的错误出在 schema 与语义层面——SQL 语法是对的，只是查错了列、漏了口径。而 dbt Labs 今年 4 月的基准给出了正面解法：同样的企业问题，裸写 SQL 准确率 90.0% 和 84.1% 的两个顶级模型，接上语义层后分别升到 98.2% 和 100%。
我们此前在语义层数据 Agent 架构和上周的 NL2SQL 架构分析里反复论证过这一点：把推理预算花在语义建模上，回报是几十个百分点；花在堆算力上，回报趋近于零。
信心与管控的落差：人人能问数之后，错得更自由
问数门槛降为零是双刃剑。同在 9 月 10 日，Harness 发布了基于 700 名工程负责人调研的《State of Agent DLC 2026》报告，结论是：企业对 AI Agent 的信心全面领先于其实际管控能力。
| 维度 | 「有信心」的企业 | 实际有对应管控的企业 |
|---|---|---|
| 环境里 Agent 清单完整 | 77% | 44%（有主动发现工具） |
| 测试能拦住生产事故 | 74% | 19%（有自动拦截门禁） |
| 15 分钟内关停失控 Agent | 76% | 33%（有一键 kill switch） |
| 说得清每个 Agent 的真实开销 | 74% | 60% 上季度仍超预算 |
更扎心的一组数字：自认 Agent 安全的公司（75%），事故发生率（88%）和整体样本（87%）几乎没差别；58% 的组织在部署 AI Agent 后每百次变更的生产事故不降反升。当「问数」从分析师的专利变成每个员工的一句话操作，一个没有语义治理的环境不是效率提升，而是错误放大器。
行业的应对方向也高度一致：Salesforce 同日发布六能力的 Trusted Enterprise AI Harness，把上下文、治理、安全从单个 Agent 中抽出来变成可复用的企业底座；安永在服贸会上提出企业要从「外挂式 AI」走向「内生式 AI」，指出约七成的潜在价值藏在跨部门协同里，而 74% 的企业还没跨过规模化这一关。
OntiCards 视角：把语义资产攥在自己手里
把这些信号拼起来，图景很清晰：数据智能体的竞争正在从「谁的模型强」转向「谁掌握企业自己的语义资产」。业务术语、指标口径、字段含义、表间关系、质量规则——这些是模型学不到、只能从企业内部长出来的东西。
OpenAI 的方案天然把你企业的业务语境托管在第三方 SaaS 里。而 OntiCards 的路线是把这层资产留在企业自己手里：数据卡片把表结构、字段含义、业务口径、表间关系沉淀成 Agent 可直接寻址的「数据字典 + 地图」；业务术语库让「有效订单」「活跃用户」在不同部门有一个对得上的口径；数据质检在问数之前先验数据成色。整个链路支持私有化部署与信创数据库适配，语义资产不出企业边界。相关思路也见数据 Agent 赛道观察与Agent 可审计性分析。
如果你也在评估「人人能问数」落地到自家数据上需要什么前提，欢迎联系 hello@onticards.com 交流，或访问产品页了解数据卡片驱动的完整链路。
